病毒基因组序列分类中监督式与基于检索方法的统一基准

《Scientific Reports》：A unified benchmark of supervised and retrieval-based methods for viral genomic sequence classification

　　

基因组测序的快速增长要求快速、准确且可扩展的分析方法。在病毒基因组分类中，不断扩大的带标签参考数据集可能使监督式模型更新成本高昂，并依赖于固定的标签集，这促使基于检索的基因组分类成为一种更简单、更灵活的替代方案。研究人员提出了一个针对病毒基因组序列分类的监督式与基于检索方法的统一基准，涵盖三项病毒分类任务：丙型肝炎病毒（HCV）基因分型、COVID-19判别和人乳头瘤病毒（HPV）基因分型。研究人员将标准序列编码（one-hot、k-mer、FCGR）与稠密嵌入（dna2vec、DNABERT）进行比较。对于每种表示，研究人员评估了监督式分类器（随机森林、决策树、XGBoost）和基于检索的分类，其中序列向量使用FAISS建立索引，并通过相似度加权的k-NN分配标签。此外，研究人员对多种FAISS索引类型（Flat、IVF、HNSW、IVFPQ、OPQ）进行了基准测试，以刻画大规模下的精度-速度-内存权衡。结果表明，XGBoost以及使用Flat或IVF索引的检索方法在不同的计算配置下均能实现较强的分类性能。IVFPQ和OPQ等压缩索引显著降低了内存使用，但其精度损失取决于数据集和表示方式。总体而言，监督式XGBoost在精度-规模之间提供了有利的权衡，而基于检索的分类仍具有竞争力，并允许在不重新训练全局分类器的情况下纳入带标签的参考序列。该基准为在不同精度、内存和更新需求下选择序列表示、分类器和向量搜索索引提供了实用指导。

论文解读

基因型分类是基因组学的基本任务，用于识别进化关系、功能元件和遗传变异。传统基于比对的方法如BLAST虽然能有效寻找近缘匹配，但在处理大规模数据库时计算成本高，且对远缘同源序列的判别能力有限，因此推动了免比对分类方法的发展。将DNA序列转化为机器学习可用的数值表示是其中的关键步骤，常用表示包括one-hot、k-mer频率向量和频率混沌游戏表示（FCGR），以及基于深度学习的稠密嵌入（dna2vec、DNABERT）。此外，将基因型分配视为向量检索问题的稠密检索方法，可通过FAISS等索引结构实现可扩展的分类，并允许在不重新训练全局模型的情况下更新参考序列。然而，现有研究缺乏对这些表示、监督分类器和检索索引在统一实验条件下的系统比较。为此，研究人员在《Scientific Reports》发表了本基准研究，旨在为不同精度、内存和更新需求下选择序列表示、分类器和向量搜索索引提供实用指导。

研究人员构建了一个统一基准，涵盖三种病毒分类任务：HCV基因分型、COVID-19判别和HPV基因分型。对每种表示，研究人员评估了监督式分类器（随机森林、决策树、XGBoost）和基于检索的分类（FAISS索引加相似度加权k-NN），并比较了Flat、IVF、HNSW、IVFPQ、OPQ五种FAISS索引类型。结果表明，XGBoost和基于Flat或IVF索引的检索方法在不同计算条件下均有较强性能；压缩索引可大幅降低内存，但精度损失与数据集和表示方式相关。总体而言，监督式XGBoost提供了有利的精度-规模权衡，检索式分类在频繁更新参考序列时具有操作灵活性。

关键技术方法方面，研究使用了三种病毒数据集：HCV序列来自洛斯阿拉莫斯丙型肝炎序列数据库；七种人冠状病毒全基因组或部分基因组来自NCBI，构建COVID-19与非COVID-19二分类任务；HPV五种基因型（HPV-11、16、18、31、58）来自NCBI。研究比较了one-hot、k-mer、FCGR、dna2vec、DNABERT五种序列表示；监督分类器包括随机森林、决策树、XGBoost；检索分类使用FAISS（Flat、IVF、HNSW、IVFPQ、OPQ），采用余弦相似度与相似度加权投票，数据按80/20分层划分。以上为原文主要方法，未涉及试剂与具体培养操作。

监督式分类性能
传统编码上的分类：在one-hot、k-mer和FCGR表示上，XGBoost和随机森林一致优于决策树，HCV上差异最明显；提高k-mer或FCGR阶数通常改善HPV和HCV性能，但增益随阶数提高而递减；COVID-19任务在多种配置下接近饱和；k-mer和FCGR整体优于one-hot，说明基于序列组成的表示更适合该分类任务。
稠密嵌入上的分类：在dna2vec和DNABERT嵌入上，XGBoost仍是最强监督分类器；DNABERT在COVID-19和HCV上优于dna2vec，dna2vec在HPV上略优；稠密表示未一致超越k-mer或FCGR，表明预训练基因组嵌入的额外复杂度不一定转化为更高分类精度。

基于相似性的分类性能
传统编码的向量相似性：one-hot的检索精度整体低于组成式或学习式表示；Flat、IVF和HNSW在多数数据集上表现相当；IVFPQ对one-hot压缩后性能下降明显，HCV上尤为严重。k-mer显著提升所有数据集和索引类型的精度，COVID-19接近满分，HCV在IVFPQ和OPQ下退化更明显。FCGR在HPV和COVID-19上与k-mer相当，在HCV上达到所有编码中的最高精度，且比one-hot更耐受压缩。
使用稠密嵌入的基于相似性的分类：dna2vec和DNABERT嵌入下，Flat、IVF和HNSW精度接近；IVFPQ和OPQ在HCV上精度损失较大；两种嵌入无一致优势，DNABERT在COVID-19略优，dna2vec在HPV和HCV部分配置略强；高精度通常只需较小k值，表明类别信息集中于局部邻域。

性能-资源权衡的比较研究
时间-精度权衡：基于DNABERT嵌入，XGBoost在三个数据集上精度最高且预测延迟低，但训练成本高；检索方法索引构建成本低，IVF和HNSW在精度与搜索效率间平衡较好。
内存使用分析：监督模型特别是XGBoost在精度-模型大小上更优，例如COVID-19任务中仅0.33 MB模型即可达到1.0精度；检索索引中Flat和HNSW体积较大，IVFPQ和OPQ可压缩至数MB但精度下降，HCV上精度损失尤为明显。
表示长度效应：k-mer长度增加会使监督训练时间和检索索引或搜索时间上升，XGBoost和OPQ最敏感，决策树、IVF和HNSW相对高效；精度增益随阶数提高而递减。
序列表示对类内距离的影响：通过比较DNABERT与one-hot嵌入的类内余弦距离分布，发现DNABERT在三个数据集中均产生更紧凑的类簇，中位距离接近零且分布窄，而one-hot类内距离更大更分散，这解释了DNABERT在相似性检索中性能更优的原因。

讨论与结论：讨论部分指出，监督式与检索式方法应视为互补。当标签空间稳定且需要高精度、低延迟或紧凑模型时，监督式模型更合适；当参考集合频繁更新或预测需附带检索示例时，检索式方法更有优势。研究结论为：XGBoost结合k-mer、FCGR或DNABERT嵌入在评估设置中提供了强分类性能、紧凑模型大小和低预测延迟；基于Flat或IVF索引的检索分类常能达到与监督方法相当的性能，尤其适用于HPV和COVID-19任务，并可通过添加编码向量而无需重新训练全局分类器来更新参考集合；IVFPQ和OPQ等压缩索引大幅减少内存，但精度损失因数据集和表示而异，HCV上尤为明显。该基准为病毒基因组分类方法选择提供了实证依据。